基于特征切片的软件产品线模型检测

特征模型是一种描述软件产品线中共性和可变性特征的通用形式。特征模型象征着所有可能的应用程序配置空间,是实现个性化产品定制的基础。随着软件产品线的规模和复杂程度的增加,如何有效支持以用户需求为基础以及根据特定需求和利益相关者的目标进行个性定制开发是亟待解决的实际问题。提出一种根据用户需求对特征模型进行切片,进一步结合三值逻辑对行为模型进行抽象,最后利用模型检测技术对软件产品线进行验证的方法。实验结果证实了该方法的有效性。

基于概率切片累积特征的轴承双向传感器信息融合故障诊断

针对采集的轴承振动信号易受环境的影响而导致存在许多不确定性因素的现实情况,采用一种基于概率切片累积特征的轴承双向传感器信息融合故障诊断方法实现对轴承故障的定性分析。首先利用概率盒理论(P-box)将来自水平和垂直方向传感器的时域信号分别进行概率盒建模,从而减小认知不确定性带来的消极影响并充分提取多方位振动信号中故障信息;然后提取模型概率切片累积特征输入到构建的双通道并行卷积神经网络(PCNN)自适应训练,在此基础上通过在网络的全连接层之前添加一个融合层进行双向特征信息融合;最后利用归一化指数函数实现故障部位的辨识。某铁路局机务段轮对轴承数据分析结果表明,所采用方法在应对故障程度不均衡数据集时仍具有较高的准确性和稳定性,且在不同噪声条件下具有一定的鲁棒性。

未熔锡焊点切片特征和形成机理与控制

随着精细间距元器件的大量使用以及无铅工艺的应用,焊点表面存在未熔焊粉的现象越来越多,有人把它称之为未熔锡现象或葡萄球现象。就此问题的产生原因、防控措施进行了讨论,仅供参考。

基于语义特征立方体切片的人体动作识别

基于深度学习的人体动作识别近几年取得了良好的识别效果,尤其是二维卷积神经网络可以较充分的学习人体动作的空间特征,但在捕获长时间的运动信息上仍存在问题。针对此问题,提出了基于语义特征立方体切片的人体动作识别模型来联合地学习动作的表观和运动特征。该模型在时序分割网络(Temporal Segment Networks,TSN)的基础上,选取InceptionV4作为骨干网络提取人体动作的表观特征,将得到的三维特征图立方体分为二维的空间上和时间上的特征图切片。另外设计一个时空特征融合模块协同的学习多维度切片的权重分配,从而得到人体动作的时空特征,由此实现了网络的端到端训练。与TSN模型相比,该模型在UCF101和HMDB51数据集上的准确率均有所提升。实验结果表明,该模型在不显著增加网络参数量的前提下,能够捕获更丰富的运动信息,使人体动作的识别结果提高。

关于人参果实性状及显微鉴别特征的研究

目的对人参果实进行性状特征及显微特征的研究,旨在为同行提供其性状鉴定及显微鉴定的依据。方法通过宏观进行性状鉴定;运用显微测量、显微摄影及显微数码技术对各类制片进行显微鉴定。结果人参果实为浆果状核果,内果皮呈木质化增厚。内果皮的数列狭长厚壁细胞,排列紧密,呈层层交错状。此外,树脂道、草酸钙晶体、不定式气孔也是重要特征。结论该实验研究方法准确、简单、可行、重现性好,可作为人参果实显微鉴别的重要依据。

基于FVOIRGAN-Detection的车辆检测

为了解决点云处理过程中空间信息损失的问题,同时在融合过程中最大程度地提取可见光图像的纹理信息,本文提出了一种基于特征切片的激光点云与可见光图像融合车辆检测方法(FVOIRGAN-Detection)。在CrossGAN-Detection方法中加入了FVOI(Front View Based on Original Information)的点云处理思路,将点云投影到前视角度并把原始点云信息的各个维度切片为特征通道,在不降低网络性能的情况下显著提高点云信息利用效率。并且引入了相对概率的思想,采用鉴别器鉴别图像的相对真实概率替代绝对真实概率,使得融合图像提取的纹理信息更加接近真实的纹理信息。在KITTI数据集上进行检测性能实验验证结果表明,本文方法在容易、中等和困难三个类别中的AP指标分别达到97.67%、87.86%和79.03%。在光线受限的场景下,AP指标达到了88.49%,与CrossGAN-Detection方法相比提高了2.37%,提高了目标检测的性能。

结合深度学习和超像元的高分遥感影像变化检测

目的随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。